力学性能预测模型及其控制的研究

首先介绍神经网络建模特点,利用神经网络建立起由工艺参数预测力学性能的质量模型,及根据力学性能要求优化工艺参数的逆质量控制模型, 预测效果图显示该模型的预测精度较高.然后,利用质量预测模型分析卷取温度对屈服强度的影响,并利用自校正PID（proportion integral differentiation）控制实现力学性能的控制,仿真结果证明该方法的有效性.     

机械故障预测模型综述

总结机械故障预测技术的发展,分析预测模型在故障预报中的重要作用.着重介绍目前常用的预测模型及其优缺点,探讨各模型的适用范围和应用情况.最后讨论这一领域的发展趋势,指出多参数预测和组合预测在机械故障预报中的重要意义.     

时间序列预测模型的建模方法与应用

介绍时间序列分析的基本理论及其预测建模的方法;采用参数识别方法,结合某大型建筑发生沉降的动态数据,建立该建筑物变形的时序预测模型,对建筑变形进行了监测和预报.实际工程应用表明,该模型能准确监测和预报建筑的变形,具有很强的实际应用价值.     

相空间重构神经网络模型在我国人口增长预测中的应用

人口系统是一个非常复杂的非线性系统,人口增长是十分重要的人口变化因子,对人口增长的准确预测能为社会经济可持续发展计划的制定提供重要依据.借鉴相空间重构和神经网络,建立了预测我国人口增长的相空间重构神经网络模型.模型运用相空间重构,可挖掘人口增长时间序列更为丰富的信息,利用神经网络建模可较好地解决非线性问题,使预测更符合实际.以我国1950—2002年人口增长数据为例,验证了该模型具有较高的拟和和预报精度,为我国人口增长预测问题提供一种新的解决办法.     

基于支持向量机的动态测量误差非线性组合预测方法

针对目前动态测量误差序列预测方法的局限性,提出了动态测量误差序列的支持向量机非线性组合预测方法,以进行误差修正,提高动态测量精度.该方法首先利用支持向量机和小波神经网络对动态测量误差序列分别进行预测,然后再运用支持向量机对单项预测结果进行非线性组合.理论分析和预测实例表明:该方法的预测精度明显高于传统的单一预测方法,具有很强的学习与泛化能力,在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很好的应用价值.     

时间序列分析在风机状态参数预测中的研究与应用

研究了时间序列的建模与预测方法,并应用于生产实际.以某测点的振动日均值作为建模数据,建立了ARMA(3,1)时间序列模型,经检验,该模型具有较高的预测精度,能够用于该风机的运行状态预测.     

动态测量误差的贝叶斯建模预报

针对动态测量过程的复杂性提出了动态测量误差序列的贝叶斯建模预报方法.该方法要求的数据量较少,且对序列无平稳性限制,并能充分利用预报过程中的主客观信息来修正模型,以提高预测精度.最后,通过仿真实例探讨了贝叶斯方法在动态测量误差建模预报中的适用性.     

合金钢淬透性预报平台的开发与评估

在相关模型集成和创新的基础上 ,运用VisualBasic6 .0工具开发了合金钢淬透性预报平台 ,并采用有关试验数据进行了验证 ,结果证明该平台具有较高的预测精度。     

基于多维时间序列模型的内燃机磨损状态预测研究

现有的油液光谱数据预测方法仅考虑单一数据内部前后间的联系,忽视不同种类数据间的相互影响。多维时间序列模型能够将多种元素光谱数据融合起来同时进行建模,利用所建模型对光谱数据进行预测,提高预报精度。通过内燃机台架实验获得多种元素的光谱数据,选择典型的磨损元素Fe和Al、污染元素Si以及添加剂元素Mg作为分析元素,通过分析找出相关性较大的元素,利用多维时间序列模型对其进行预报,从而对内燃机的磨损状态进行准确判断。结果表明,将多维时间序列模型引入油液光谱数据预报能对内燃机的磨损状态进行准确预测。     

基于神经网络无铆钉自冲铆接头力学性能预测

为研究钢铝一体化结构车身无铆钉自冲铆接接头力学性能,引入反向传播神经网络模型来描述板材厚度、板材硬度和成形接头底部直径等工艺参数与接头剪切力及剥离力强度等力学性能的映射关系.由于标准反向传播网络存在训练精度低、收敛速度慢及泛化能力差等缺陷,采用归一化法与Levenberg-Marquardt算法相结合的算法来优化神经网络预测模型连接权值,提高了神经网络模型的预测精度和泛化能力.对神经网络的预测结果进行检验的结果表明,训练后的神经网络模型能够准确有效地预测无铆钉自冲铆接接头力学性能,证实了神经元网络应用于无铆钉自冲铆接接头力学性能预测的可行性与可靠性,为优质的钢与铝无铆钉自冲铆接接头的设计提供了依据.